Yapay zeka konusunda uzmanlık gerektirmeden kamera tabanlı bir görsel denetim sistemi kurun

Kullandığımız her ürün, ister telefon, ister ambalajlı bir ürün, ister araba parçası olsun, son tüketici olan bizlere ulaşmadan önce bir tür kalite kontrolünden geçer. Bu işlem geleneksel olarak manuel kontroller veya basit kural tabanlı sistemler kullanılarak gerçekleştirilmiştir. Bu yöntemler işe yarasa da, genellikle yavaştır, tutarsızdır ve üretim arttıkça ölçeklendirilmesi zordur.

Kalite kontrol sürecini iyileştirmek amacıyla birçok sektör, makinelerin görüntü ve videoları anlamasına yardımcı olan bir yapay zeka dalı olan bilgisayar görme teknolojisine yöneliyor. Örneğin, Ultralytics gibi görsel yapay zeka modelleri, kusurları yüksek bir doğrulukla detect, classify ve konumlandırmaya yardımcı olabilir.

Gerçek üretim ortamlarında bu modeller, yüksek hızlı montaj hatlarından doğrudan yakalanan görüntüleri analiz etmek için kullanılabilir. Ürünler farklı aşamalardan geçerken endüstriyel kameralar track ve sistem çizikler, eksik parçalar veya hizasızlık gibi sorunları kontrol eder. Bu, yüksek verimli denetimi desteklerken kusur tespitini daha hızlı ve tutarlı hale getirir.

Geçmişte, bu sistemleri kurmak için çok sayıda araç ve ileri düzeyde teknik uzmanlık gerekiyordu; bu da süreci karmaşık ve zaman alıcı hale getiriyordu. Bilgisayar görme alanında sunduğumuz yeni uçtan uca çözümümüz olan Ultralytics , veri hazırlama, etiketleme, model eğitimi ve devreye alma işlemlerini tek bir platformda bir araya getirerek bu süreci basitleştiriyor.

Bu makalede, derinlemesine bir yapay zeka uzmanlığı gerektirmeden Ultralytics kullanarak pratik, kamera tabanlı görsel denetim sistemleri kurmanın yollarını inceleyeceğiz. Hadi başlayalım!

Kalite kontrolünde bilgisayar görmenin rolü

Ultralytics denetim sistemlerinin oluşturulmasını nasıl kolaylaştırdığına geçmeden önce, bir adım geriye gidip kalite denetiminde bilgisayar görmenin rolünü anlayalım.

Kalite kontrol, ürünlerin kalite standartlarına uygunluğunu ve kusursuzluğunu garanti eden üretim sürecinin önemli bir parçasıdır. Ancak, özellikle uzun vardiyalar veya yüksek hacimli üretim sırasında sonuçlar farklılık gösterebilir.

Denetimin güvenilirliğini artırmak amacıyla birçok sektör, üretim hattından gelen görüntüleri analiz etmek ve kusurları tespit etmek için makine görüşü olarak da bilinen bilgisayar görüşü teknolojisini kullanmaktadır. Bu sistemler, modellerin ve algoritmaların yüksek kaliteli etiketli görüntülerden oluşan geniş veri kümelerinden kalıpları öğrenmesini sağlayan derin öğrenme teknolojisini kullanır.

Model eğitimi sırasında, modele hem normal ürünlerin hem de çeşitli kusur türlerinin örnekleri gösterilir. Zamanla model, bu kalıpları kendi başına tanımayı öğrenir. Eğitim süreci tamamlandıktan sonra model, büyük miktarda ürünü denetleyebilir ve aynı kriterleri tutarlı bir şekilde uygulayarak doğruluğu artırabilir.

Kalite kontrolünde yaygın olarak kullanılan bilgisayar görme görevleri

Makine görme uygulamaları, farklı türdeki görme görevlerini destekleyebilen Ultralytics YOLO gibi bilgisayar görme modelleri sayesinde mümkün olmaktadır. İşte bu görme yapay zeka görevlerinin otomatik denetim iş akışlarında nasıl kullanıldığına dair genel bir bakış:

• Görüntü sınıflandırması: Bu görev, bir görüntünün tamamına “iyi” veya “kusurlu” gibi tek bir etiket atamak için kullanılır. Bu yöntem, kusurların yerini belirtmeden ürün kalitesine ilişkin genel bir değerlendirme sağlar.
• Nesne algılama: Bir görüntüdeki kusurları tespit etmeye ve bunları sınırlayıcı kutular kullanarak konumlandırmaya yardımcı olur . Bu sayede çatlaklar, çizikler veya eksik parçalar gibi sorunları detect konumlarını belirlemek mümkün hale gelir.
• Örnek segmentasyonu: Nesne algılamanın bir adım ötesine geçerek , algılanan her bir kusur için piksel düzeyinde maskeler oluşturur. Bu, kusurların şekli, boyutu ve sınırlarının hassas bir şekilde analiz edilmesini sağlar.
• Nesne izleme: Birden fazla karede ürünleri izlerken , nesnelerin üretim hattı boyunca hareketini takip eder. Bu sayede tutarlılık sağlanır ve kusurların gözden kaçmaması garanti altına alınır.
• Yönlendirilmiş sınır kutusu (OBB) algılama: Bu görev, eksenle hizalı sınır kutuları yerine döndürülmüş sınır kutuları kullanarak nesneleri algılar. Bu yöntem, kusurlar veya bileşenler farklı açılarda göründüğünde özellikle yararlıdır ve daha doğru konumlandırma sağlar.

Farklı sektörlerdeki kalite kontrol uygulamalarına bir bakış

Bilgisayar görme teknolojisi, ürün kalitesini korumak, standartlara uymak ve manuel denetim ihtiyacını azaltmak amacıyla çeşitli sektörlerde yaygın olarak kullanılmaktadır. Bu teknoloji, kusur tespiti, sınıflandırma, nesne tanıma, ölçüm ve anormallik tespiti gibi temel işlevleri yerine getirir. 

İşte bu teknolojinin uygulandığı bazı gerçek hayattan kullanım örnekleri:

• Üretim: Yüzey kusur tespiti, üretim hattındaki ürünlerin görüntülerini analiz ederek çizikler, çukurlar, çatlaklar ve renk solması gibi sorunları tespit etmek amacıyla kullanılır. Ayrıca detect parçaları veya montaj hatalarını gerçek zamanlı olarak detect sürekli denetimi destekler.
• Otomotiv: Bilgisayarlı görüntü işleme sistemleri, motor parçalarını ve gövde panellerini analiz ederek hizalamayı kontrol eder ve detect . Bu sistemler, özellikle karmaşık şekilleri ve ulaşılması zor alanları incelemede büyük fayda sağlar; genellikle hassas konumlandırma ve otomatik denetim için robotik sistemlerle birlikte çalışır.
• Elektronik ve yarı iletkenler: Bu sistemler, baskılı devre kartları (PCB) gibi bileşenlerdeki lehimleme sorunları, mikro çatlaklar ve hasarlı devreler gibi detect kusurları detect . Yüksek çözünürlüklü görüntü analizi sayesinde, manuel inceleme sırasında genellikle gözden kaçan çok ince kusurlar bile tespit edilebilir.
• Ambalajlama ve lojistik: Görsel sistemler barkod taraması yapar, ürün etiketlerini okur ve ambalaj kalitesini kontrol eder. Ürünlerin doğru şekilde paketlenip mühürlendiğinden ve sevkiyata hazır olduğundan emin olarak hataları azaltır.
• Gıda ve içecek: Görüntüleme kameraları veya görüntüleme sensörleri ile çalışan denetim sistemleri, ürünün görünümünü analiz ederek hatalı sızdırmazlık, kirlenme riski, yanlış etiketleme veya görsel tutarsızlıklar gibi sorunları tespit eder ve böylece kalite ve güvenliğin korunmasına yardımcı olur.
• İlaç Sektörü: Bilgisayarlı görme teknolojisi, tabletleri, şişeleri ve ambalajları çatlak, kirlenme, yanlış etiketleme veya dolum seviyesi tutarsızlıkları gibi kusurlara karşı denetlemek için kullanılır; böylece sıkı yasal standartlara uyum sağlanır ve ürün güvenliği korunur.

Ultralytics ile görsel inceleme iş akışlarının kolaylaştırılması

Ürünlerin farklı aşamalardan geçtiği ve kameraların denetim amacıyla sürekli olarak görüntü kaydettiği bir üretim hattını düşünün. Bu görüntüler, çizikler, eksik parçalar veya yanlış hizalama gibi kusurları tespit etmek için kullanılır.

Şimdiye kadar, bu tür denetim sistemlerinin kurulması ve yönetilmesi için çok sayıda araç ve oldukça fazla teknik uzmanlık gerekiyordu. 

Aslında, Ultralytics olarak, görsel yapay zeka topluluğundan bu sürecin ne kadar parçalı ve zaman alıcı olabileceğine dair tutarlı geri bildirimler aldık; yaygın darboğazlar arasında dağınık araçlar, karmaşık ortam kurulumu, verimsiz veri etiketleme iş akışları, model eğitimindeki gecikmeler ve devreye almada yaşanan zorluklar yer alıyor. Bu geri bildirimler, Ultralytics şekillenmesinde kilit bir rol oynadı.

Ultralytics ile tüm geliştirme ve devreye alma süreci tek bir yerden yönetilebilir. Ham veriler yüklenip etiketlenerek eğitim veri kümeleri oluşturulabilir; bu veri kümeleri daha sonra detect üzere modelleri eğitmek için kullanılır. Eğitim süreci tamamlandıktan sonra, bu modeller üretim hattından gelen yeni görüntüleri analiz etmek üzere devreye alınabilir ve zaman içindeki performansı izlemek için yerleşik araçlar da mevcuttur.

Ultralytics , tüm iş akışını tek bir çatı altında toplamakla kalmaz, aynı zamanda kullanımı kolay olacak şekilde tasarlanmıştır. Makine öğrenimi konusunda sınırlı deneyime sahip kullanıcılar bile fikir aşamasından üretim aşamasına hızla geçebilir.

Ultralytics kullanarak görüntülerdeki kusurları etiketleme

Ultralytics iş akışını nasıl bir araya getirdiğini gördük; şimdi de veri yükleme ve kusur etiketlemeyle başlayarak, görsel yapay zeka iş akışının her aşamasında bu platformun nasıl kullanıldığını adım adım inceleyelim.

Ultralytics denetim veri kümesi yönetimi

İlk adım, verileri platforma aktarmaktır. Görüntüleri, videoları veya ZIP, TAR ya da GZ dosyaları gibi veri seti arşivlerini yükleyebilirsiniz. YOLO COCO gibi yaygın veri seti formatları COCO ; bu sayede mevcut veri setleri ek bir işlem yapmanıza gerek kalmadan içe aktarılabilir.

Topluluk tarafından paylaşılan veri kümelerini kullanarak da daha hızlı bir başlangıç yapabilirsiniz. Bu veri kümelerini inceleyip çalışma alanınıza kopyalayabilirsiniz; böylece sıfırdan başlamak yerine mevcut verileri temel alarak çalışabilirsiniz. Kopyalandıktan sonra, bu veri kümeleri kendi özel kullanım amacınıza göre güncellenebilir ve genişletilebilir.

Çeşitli deneyler üzerinde çalışıyorsanız, veri kümelerini NDJSON dosyaları olarak içe aktararak yeniden kullanabilirsiniz; böylece ek bir dönüştürme işlemi yapmadan bu verileri yeniden oluşturmak veya paylaşmak daha kolay hale gelir.

Veriler yüklendikten sonra platform bunları otomatik olarak hazırlar. Dosya formatlarını kontrol eder, açıklamaları işler, gerekirse resimlerin boyutunu değiştirir ve temel veri kümesi istatistiklerini oluşturur. Videolar, eğitim amacıyla kullanılabilmeleri için karelere bölünür; resimler ise daha kolay görüntüleme ve analiz için optimize edilir.

Ultralytics tarafından desteklenen veri etiketleme

Veriler hazır hale geldiğinde, bir sonraki adım veri etiketlemedir. Bu aşamada kusurlar etiketlenir, böylece model neyi detect gerektiğini öğrenebilir. Ultralytics , nesne algılama, örnek segmentasyonu, görüntü sınıflandırma, duruş tahmini ve yönlendirilmiş sınırlayıcı kutu algılama gibi görevleri destekleyen yerleşik bir etiketleme düzenleyicisi içerir.

Kullanım amacınıza bağlı olarak, sınırlayıcı kutular, çokgenler veya anahtar noktalar gibi araçları kullanarak verileri manuel olarak etiketleyebilirsiniz. İşlemleri hızlandırmak için platform, yapay zeka destekli etiketleme özelliği de sunmaktadır.

Örneğin, SAM akıllı etiketleme özelliği, nesneleri basit tıklamalarla etiketlemenizi sağlar. Dahil edilecek veya hariç tutulacak bölgeleri seçerek, sistem gerçek zamanlı olarak bir maske oluşturur; bu maske daha sonra gerekirse ayarlanabilir.

Buna ek olarak, YOLO akıllı etiketleme, model tahminlerini kullanarak etiketleri otomatik olarak oluşturabilir. Bu etiketler gözden geçirilip iyileştirilebilir; böylece her şeyi manuel olarak etiketlemeye gerek kalmadan büyük veri kümeleri üzerinde çalışmak daha kolay hale gelir.

Anotasyon düzenleyicisi ayrıca sınıf yönetimi, anotasyon düzenleme, klavye kısayolları ve geri al/yeniden yap seçenekleri gibi özellikler de içerir. Bu özellikler, veri kümenizin büyümesi durumunda tutarlılığı korumayı ve anotasyonları gözden geçirmeyi kolaylaştırır.

Verileri etiketlerken, platform sınıf dağılımı ve etiket sayısı gibi bilgiler sunar. Bu, eğitime geçmeden önce eksiklikleri tespit etmeye, tutarsızlıkları gidermeye ve veri kümesinin kalitesini artırmaya yardımcı olur.

Ultralytics kusur tespiti için YOLO26'nın eğitilmesi

Bir sonraki adım, etiketlenmiş verileri kullanarak detect otomatik olarak detect edecek bir model eğitmektir. Ultralytics , nesne algılama, örnek segmentasyonu ve görüntü sınıflandırması gibi görevlerde kullanılabilen YOLO26 dahil olmak üzere Ultralytics YOLO eğitim yapılmasını desteklemektedir.

Eğitim, eğitim işlerini tek bir yerden yapılandırabileceğiniz, çalıştırabileceğiniz ve izleyebileceğiniz tek bir kontrol paneli üzerinden yönetilir. Başlamak için, yüklediğiniz, platformda etiketlediğiniz, platformda bulunan genel veri kümelerinden aldığınız veya topluluktan kopyaladığınız bir veri kümesini seçebilirsiniz.

Seçildikten sonra veri kümesi eğitim çalışmasına otomatik olarak bağlanır; bu sayede track etmek ve tutarlılığı sağlamak daha kolay hale gelir. 

Ardından, döngü sayısı, parti boyutu, görüntü boyutu ve öğrenme hızı gibi eğitim parametrelerini yapılandırabilirsiniz. Bu ayarlar, modelin nasıl öğrendiğini belirler ve hem eğitim süresini hem de performansı doğrudan etkiler.

Antrenmanların yürütülmesi ve izlenmesi

Ardından, eğitimi nasıl yürüteceğinizi seçebilirsiniz. Platform, yönetilen GPU'larda bulut üzerinden eğitim, kendi donanımınızı kullanarak yerel eğitim ve Google gibi ortamlar üzerinden tarayıcı tabanlı iş akışlarını desteklemektedir. 

Bulut tabanlı eğitimden yararlanırken, daha küçük ölçekli deneyler için RTX 2000 Ada ve RTX A4500 gibi çeşitli GPU , daha zorlu iş yükleri için RTX 4090 veya RTX A6000 ve büyük ölçekli eğitimler için A100 veya H100 gibi yüksek performanslı seçenekler arasından seçim yapabilirsiniz.

Eğitim başladığında, ilerleme durumu doğrudan platform üzerinden takip edilebilir. Kontrol paneli, sistem kullanımı ve eğitim günlüklerinin yanı sıra kayıp eğrileri ve performans göstergeleri gibi temel metriklere ilişkin gerçek zamanlı bir görünüm sunar. Bu sayede, modelin nasıl öğrendiğini anlamak ve olası sorunları erken aşamada tespit etmek son derece kolay hale gelir.

Birden fazla deney yürütürken, platform yapılandırmaları, veri kümelerini ve sonuçları tek bir yerde track . Bu sayede farklı eğitim süreçlerini karşılaştırmak, doğruluk, geri çağırma ve mAP gibi metrikleri kullanarak performansı değerlendirmek ve dağıtım için en iyi performansı gösteren modeli seçmek oldukça kolay hale gelir.

Ultralytics aracılığıyla bir görüntü işleme modelinin devreye alınması

Eğitimden sonra, dağıtım aşamasına geçmeden önce eğitilmiş modelin yeni ve daha önce görülmemiş veriler üzerinde nasıl bir performans gösterdiğini doğrulamak gerekir. Ultralytics , herhangi bir kurulum gerektirmeden modelleri doğrudan tarayıcıda test etmenizi sağlayan yerleşik bir "Tahmin" sekmesi içerir. 

Görseller yükleyebilir, örnek veriler kullanabilir veya web kamerası aracılığıyla girdi girebilirsiniz; sonuçlar ise görsel katmanlar ve güvenilirlik puanlarıyla birlikte anında görüntülenir. Bu sayede, modeli gerçek dünya sistemlerine entegre etmeden önce model performansını hızlıca kontrol edebilir ve olası sorunları tespit edebilirsiniz. 

Model doğrulandıktan sonra, kullanım amacınıza bağlı olarak farklı seçenekler kullanılarak devreye alınabilir. Ultralytics tarafından desteklenen model devreye alma seçeneklerine daha yakından bakalım:

• Paylaşımlı çıkarım: Bu seçenek, modele bir REST API aracılığıyla erişmenizi sağlayarak uygulamalara veya iş akışlarına entegrasyonu kolaylaştırır. Bu hizmet, birkaç temel bölgede çoklu kiracılı bir sistem üzerinde çalışır ve istekler otomatik olarak en yakın kullanılabilir hizmete yönlendirilir. Bu özellik, üretime geçmeden önce geliştirme, test ve daha az yoğun kullanımlar için ideal bir seçenektir.
• Özel uç noktalar: Üretim ortamında, modeller kendi bilgi işlem kaynaklarına sahip özel uç noktalar olarak devreye alınabilir. Bu uç noktalar, 43 küresel bölgede tek kiracılı hizmetler olarak çalışır ve son kullanıcılara daha yakın konumlarda devreye alınarak gecikme süresinin azaltılmasına yardımcı olur. Ayrıca, otomatik ölçeklendirme ve sıfıra ölçeklendirme özelliklerini destekleyerek kaynakların trafik yoğunluğuna göre otomatik olarak ayarlanmasını sağlar.
• Model dışa aktarma: Modeller, platform dışındaki yerel sistemlerde veya uç cihazlarda çalıştırılmak üzere dışa aktarılabilir. Platform, ONNX, TensorRT, OpenVINO, CoreML ve TensorFlow dahil olmak üzere 17 formatı desteklemektedir. Dışa aktarma seçenekleri, model boyutunu küçültmek ve farklı donanım ortamlarında çıkarım hızını artırmak için FP16 ve INT8 niceleme gibi optimizasyonları da desteklemektedir.

Ultralytics kullanarak devreye alınmış modelleri izleme

Bir görüntü işleme veya bilgisayar görme çözümünün yaşam döngüsü, modelin devreye alınmasıyla sona ermez. Bu durum, görsel denetim sistemleri için de geçerlidir. Bir model üretim ortamında çalışmaya başladığında, koşullar değiştikçe güvenilir bir şekilde çalıştığından emin olmak için sürekli olarak izlenmesi gerekir.

Ultralytics , devreye alınmış modellerin performansını net bir şekilde gösteren yerleşik bir izleme paneli sunar. Tek bir arayüzden track hareketlerini track edebilir, günlükleri görüntüleyebilir ve her bir devreye alma işleminin durumunu kontrol edebilirsiniz. Modellerin nasıl kullanıldığını ve zaman içinde nasıl davrandığını anlayabilirsiniz.

Kontrol paneli, toplam istek sayısı, hata oranları ve gecikme süresi gibi temel göstergeleri içerir ve performans ile yanıt hızını değerlendirmenize yardımcı olur. Bu göstergeler düzenli olarak güncellenir ve hem kullanım alışkanlıkları hem de sistem güvenilirliği hakkında bilgi sağlar.

Yerleşik bir dünya haritası, isteklerin ve dağıtımların bölgeler arasında nasıl dağıldığını gösterir. Birden fazla küresel konumda dağıtımları destekleyen bu görünüm, track coğrafi olarak track ve modellerin farklı ortamlarda nasıl performans gösterdiğini anlamaya yardımcı olur.

Daha kapsamlı bir analiz için, her dağıtım zaman damgaları, istek ayrıntıları ve hata mesajlarını içeren ayrıntılı günlükler içerir. Günlükler önem derecesine göre filtrelenebilir; bu da sorunları gidermeyi ve arızaları hızlı bir şekilde tespit etmeyi kolaylaştırır. Ayrıca, durum kontrolleri gerçek zamanlı durum göstergeleri sunarak bir dağıtımın beklendiği gibi çalışıp çalışmadığını veya müdahale gerektirip gerektirmediğini gösterir.

İzleme, optimizasyonda da önemli bir rol oynar. Giriş verileri, trafik veya kullanım alışkanlıkları değiştikçe performans da değişebilir. Metrikleri ve günlükleri takip ederek yüksek gecikme süresi, artan hata oranları veya ölçeklendirme sınırlamaları gibi sorunları tespit edebilir ve tutarlı bir performans sağlamak için gerekli önlemleri alabilirsiniz.

Görme çözümleri geliştirmek için Ultralytics kullanmanın avantajları

Görsel denetim sistemlerini oluşturmak ve ölçeklendirmek için Ultralytics kullanmanın başlıca avantajlarından bazıları şunlardır:

• Gerçek dünya kullanımına optimize edilmiştir: Uç noktaların otomatik ölçeklendirilmesi, uç cihazlara dağıtım ve model dışa aktarma gibi özellikler , sistemin üretim ortamlarında güvenilir bir şekilde çalışmasını sağlar. 
• Daha hızlı geliştirme döngüleri: Yerleşik araçlar ve varsayılan yapılandırmalar, ham verilerden işlevsel bir sisteme daha verimli bir şekilde geçiş yapılmasına yardımcı olur.
• Kullanım kolaylığı: Sezgisel arayüzler, akıcı iş akışları ve asgari kurulum gereksinimleri sayesinde platform, hem yeni başlayanlar hem de deneyimli kullanıcılar için erişilebilir hale geliyor.
• Daha az manuel iş: Yapay zeka destekli etiketleme ve otomatik veri işleme gibi özellikler, tekrarlayan görevlere harcanan zamanı azaltır.
• Zaman içinde ölçeklenebilir: Gereksinimler değiştikçe, sisteme yeni veriler eklenerek ve modeller yeniden eğitilerek güncellenebilir; böylece yeni hata türlerine, koşullara ve çoklu kamera kurulumlarına uyum sağlanabilir.

Önemli çıkarımlar

Kamera tabanlı bir görsel denetim sistemi kurmak, karmaşık bir süreç olmak zorunda değildir ve derin bir yapay zeka uzmanlığı gerektirmez. Ultralytics ile ham verilerden işleyen bir sisteme geçebilir ve sistemin performansını tek bir yerden izleyebilirsiniz. Bu, denetim sistemlerinin kurulması, iyileştirilmesi ve gerçek ortamlarda çalıştırılmasını kolaylaştırır.

Topluluğumuza katılın ve Vision AI hakkında daha fazla bilgi edinmek için GitHub depomuzu inceleyin. Bilgisayar görme projelerinize hızlı bir başlangıç yapmak için lisans seçeneklerimizi gözden geçirin. İmalat sektöründe yapay zeka veya otomotiv endüstrisinde bilgisayar görme gibi yeniliklerle ilgileniyor musunuz? Daha fazlasını keşfetmek için çözüm sayfalarımızı ziyaret edin.